00:00:00 Introducción a la entrevista
00:01:41 Los inicios de la carrera de Ian Wright y la fundación de Logistics Sciences
00:05:33 El concepto de optimalidad en la cadena de suministro
00:10:06 Optimización, incertidumbre y perturbaciones del mundo real
00:18:18 Límites de la optimización tradicional e impacto de la pandemia
00:25:27 Respuesta de Lokad y adaptación de las cadenas de suministro
00:32:45 Desafíos de los modelos deterministas y compensaciones
00:41:09 Niveles de servicio, modelos financieros y verificaciones de cordura
00:50:48 Experticia humana, heurísticas y modelado iterativo
00:58:39 El costo de la intervención humana en las cadenas de suministro
01:06:24 Estrategia como ingeniería y automatización de decisiones
01:14:06 Modelo descentralizado de Walmart y ruptura de silos
01:21:39 Bucles de retroalimentación y mejora continua de la cadena de suministro
01:29:18 Lograr la optimalidad y navegar por la exageración de los proveedores
01:35:42 Reflexiones finales sobre las tendencias tecnológicas en la cadena de suministro
Resumen
En una reciente entrevista de LokadTV, Conor Doherty recibió a Ian Wright, fundador de Logistics Sciences, y Joannes Vermorel, CEO de Lokad, para discutir la noción de que no existen decisiones óptimas en gestión de la cadena de suministro. Desafiaron las opiniones tradicionales sobre la eficiencia, destacando las complejidades e incertidumbres que desafían los ideales de los libros de texto. Ian y Joannes enfatizaron que diferentes partes interesadas tienen definiciones variables de la optimalidad, y las soluciones prácticas deben alinearse con las realidades comerciales. Discutieron las limitaciones de los métodos tradicionales de optimización y la importancia del juicio humano en la toma de decisiones estratégicas. La conversación subrayó la necesidad de modelos que manejen incertidumbre y se centren en resultados económicos reales.
Resumen Extendido
En un episodio reciente de LokadTV, Conor Doherty, Director de Comunicación en Lokad, recibió una discusión perspicaz con Ian Wright, fundador de Logistics Sciences, y Joannes Vermorel, CEO y fundador de Lokad. La conversación giró en torno a la idea provocativa de que no existen decisiones óptimas en la gestión de la cadena de suministro, un concepto que desafía las opiniones tradicionales sobre la eficiencia y la toma de decisiones.
Conor Doherty abrió la discusión destacando la creencia común en decisiones óptimas como el epítome de la eficiencia, donde los recursos se asignan perfectamente, los costos se minimizan y las ganancias se maximizan. Sin embargo, señaló que tales ideales de libro de texto a menudo se desmoronan cuando se enfrentan a las complejidades del mundo real. Ian Wright, con más de 40 años de experiencia en cadena de suministro y logística, compartió su trayectoria desde la academia hasta la industria petrolera, y finalmente a la fundación de Logistics Sciences. Su carrera se ha caracterizado por un enfoque en la resolución de problemas dentro de la logística y la investigación de operaciones, enfatizando la aplicación práctica de la planificación y ejecución.
Joannes Vermorel hizo eco de los sentimientos de Ian, señalando que si bien las intenciones detrás de la investigación de operaciones después de la Segunda Guerra Mundial eran correctas, el campo ha enfrentado desafíos similares a los experimentados por inteligencia artificial, con períodos de expectativas infladas seguidos de decepción. Señaló que muchos métodos de investigación de operaciones no lograron ofrecer beneficios accionables para las empresas.
La conversación luego se adentró en el artículo de Ian, “Por qué no existe tal cosa como una solución óptima en la planificación de la cadena de suministro y la optimización de la red logística”. Ian explicó que diferentes partes interesadas tienen definiciones variables de optimalidad, lo que a menudo conduce a ideas conflictivas. Los profesionales se centran en los aspectos matemáticos, mientras que los líderes empresariales están más preocupados por soluciones prácticas e implementables. Él enfatizó que los modelos y herramientas son solo facetas de una solución más amplia que debe tener sentido para el negocio.
Joannes amplió esto discutiendo las limitaciones de los métodos tradicionales de optimización, que a menudo carecen de la capacidad de incorporar la dimensión del tiempo y manejar la incertidumbre. Destacó la importancia de mejoras cuantitativas en la optimización empresarial, contrastándola con la perspectiva más estática y matemática de la investigación de operaciones tradicional.
La discusión también abordó el papel de la incertidumbre en la toma de decisiones de la cadena de suministro. Ian describió varias fuentes de incertidumbre, desde variaciones predecibles hasta eventos de Cisne Negro y desconocidos desconocidos. Hizo hincapié en la necesidad de modelos que puedan manejar estas incertidumbres y proporcionar soluciones contingentes.
Joannes compartió el enfoque de Lokad durante los bloqueos de COVID-19, donde gestionaron decisiones de la cadena de suministro para clientes cuyos trabajadores de cuello blanco estaban de licencia. Al inyectar una dosis masiva de incertidumbre en sus modelos, Lokad pudo tomar decisiones más prudentes, demostrando la efectividad de sus sistemas de optimización.
La conversación luego se centró en el papel de los compromisos en la toma de decisiones. Ian enfatizó que los compromisos a menudo se reducen a consideraciones financieras, equilibrando costos contra niveles de servicio y otros factores. Joannes argumentó que muchas empresas se centran en optimizar porcentajes en lugar de verdaderos resultados económicos, lo que lleva a decisiones subóptimas.
Tanto Ian como Joannes estuvieron de acuerdo en la importancia de la participación humana en la toma de decisiones estratégicas. Si bien la automatización y las herramientas de optimización pueden manejar muchas tareas, la intuición humana y el juicio siguen siendo cruciales, especialmente en áreas donde la entrada mecanicista es insuficiente.
En conclusión, la entrevista destacó las complejidades y desafíos de la optimización de la cadena de suministro, enfatizando la necesidad de soluciones prácticas e implementables que tengan en cuenta la incertidumbre e involucren el juicio humano. Tanto Ian como Joannes proporcionaron ideas valiosas sobre cómo las empresas pueden navegar por estos desafíos, haciendo hincapié en la importancia de alinear los modelos con las operaciones del mundo real y centrarse en verdaderos resultados económicos.
Transcripción Completa
Conor Doherty: Bienvenidos de nuevo a LokadTV. Una decisión óptima a menudo se ve como el pináculo de la eficiencia, una situación donde los recursos se asignan perfectamente, los costos se reducen y las ganancias se maximizan. Ahora, esto suena genial en un libro de texto o en un aula, pero a menudo tales ideas fallan al entrar en contacto con el mundo real. El invitado de hoy, Ian Wright, va a hablarnos sobre esta búsqueda de la optimalidad. Ian es el fundador de Logistics Sciences y tiene más de 40 años de experiencia en cadena de suministro.
Como siempre, si te gusta lo que escuchas, por favor suscríbete al canal de YouTube y síguenos en LinkedIn. Y con eso, les presento la conversación de hoy con Ian Wright.
Muy bien, Ian, muchas gracias por unirte a nosotros. Para las personas que quizás no estén familiarizadas contigo, quiero decir, te presenté anteriormente, pero para cualquiera que no esté familiarizado con tu trabajo, ¿podrías dar una breve introducción, por favor?
Ian Wright: Bueno, creo que mencionaste que llevo 40 años en esto. De hecho, he estado aquí mucho más tiempo que eso, pero mi carrera abarca 40 años. Académicamente, mi formación básicamente surgió de un interés en economía y geografía, y uní eso estudiando lo que en ese momento se conocía simplemente como transporte, donde yo vengo. Y eso básicamente era economía, geografía, negocios, y eso despertó un gran interés en la resolución de problemas, específicamente en lo que ahora se llama logística e investigación de operaciones. Así que luego pasé a hacer investigación de operaciones, pero aún centrándome mucho en problemas de transporte, problemas logísticos, y ahora lo que todos conocemos como cadena de suministro. Así que eso fue hace más de 40 años.
Y luego, pasando a tener que ganarme la vida, entré en la industria del petróleo como científico de gestión trabajando para Castrol. Casi me lanzaron de cabeza al agua porque me involucré de inmediato en proyectos de planificación estratégica de alto nivel. Escribí varios sistemas de mantenimiento preventivo para la distribución de la empresa, y conocí el software de planificación desde un punto de vista de red y de planificación de flotas. Luego pasé a unirme a la empresa que proporcionaba esos sistemas, que en ese momento era solo un tipo, así que éramos dos, y lo ayudé a construir eso. Luego me trasladé a los Estados Unidos con un cliente de la empresa y me involucré en SIG y en el uso de SIG como visualización de lo que estábamos haciendo en el lado de la planificación. Así que esa fue una introducción temprana a lo que hoy es prevalente en torno a SIG y visualización a principios de los años 80.
A partir de ahí, me adentré en la logística de terceros inicialmente a través de un proyecto de desarrollo de software. Pero había estado al tanto de 3PL en el Reino Unido a lo largo de mi carrera, pero en realidad fue a principios de los años 90 cuando era bastante nuevo en los Estados Unidos, y apenas estaban desarrollando la idea de juntar soluciones para venderlas a los clientes. Esas soluciones eran dónde deberíamos ubicar su almacén, cómo deberíamos operar sus activos de transporte. Esa fue una gran aplicación de mi formación, pero, lo más importante para mí, fue una gran lección de aprendizaje en términos de planificación para la implementación y ejecución, y no alejarse de eso, ser parte de tener que operar la solución que habías creado, lo cual creo que es una buena lección para todos los que están involucrados en lo que hacemos.
Eventualmente, me alejé de la planificación real. Organicé un par de grupos de soluciones y dirigí los grupos de soluciones. Luego seguí avanzando y asumiendo más responsabilidades en las organizaciones para las que trabajaba. Pero eventualmente, después de haber pasado por un período trabajando en consultoría, lo cual no disfruté mucho, decidí que debería formar una firma de consultoría, Logistic Sciences. Y si quieres saber qué es Logistic Sciences, básicamente soy yo tratando de volver a lo que disfruto haciendo, que es resolver problemas, especialmente centrados en cuestiones de cadena de suministro y logística, y utilizando el conocimiento limitado que tengo y las herramientas limitadas que tengo para ayudar realmente a las personas a resolver problemas en ese ámbito. Así que no sé si eso te ayuda a saber de dónde vengo. No tengo idea de a dónde voy, pero…
Conor Doherty: Bueno, gracias, Ian. Y de hecho, Joannes, estoy seguro de que mucho de eso resuena contigo. Quiero decir, la idea de resolver problemas y reconsiderar el problema de la toma de decisiones de la cadena de suministro, eso es algo que resuena fuertemente contigo, ¿no?
Joannes Vermorel: Sí, en términos de intenciones, las intenciones establecidas por la investigación de operaciones después de la Segunda Guerra Mundial fueron muy correctas en el sentido de intentar convertir esos métodos de gestión en algo numéricamente sólido y mejorable. Eso fue, creo, una de las intenciones correctas y sigue siendo muy relevante hoy en día. El desafío es que es muy interesante. La gente habla muy frecuentemente de los diversos inviernos que atravesó la inteligencia artificial, con esperanzas infladas y luego decepción por el hecho de que no funcionaba. Creo que la investigación de operaciones pasó por fases similares, y ciertas series de olas de métodos que se conocían en ese momento simplemente no lograron convertirse en beneficios reales y accionables para las empresas.
Conor Doherty: Bueno, de hecho, eso básicamente se relaciona con el tema de la conversación de hoy, que Ian se inspiró al ver tu trabajo en LinkedIn. Realmente publicas muchos artículos. De hecho, tengo uno de ellos aquí delante de mí en el que he tomado notas. Espero que la cámara pueda captarlo. Así que lo he leído, todos lo hemos leído. Pero ese artículo fue, y leí esto, soy el tipo, soy el tipo. Sí, fue gratis, gracias. Así que el artículo en particular, el que despertó el interés en la conversación, “Por qué no existe tal cosa como una solución óptima en la planificación de la cadena de suministro y la optimización de la red logística”. Ahora, tiene alrededor de 13 páginas. Para aquellos que no lo han leído, ¿puedes dar un resumen a nivel ejecutivo, por favor?
Ian Wright: Básicamente trata de transmitir la idea de que diferentes personas tienen diferentes ideas sobre lo que es la optimalidad. Y en general, lo que encuentro es que son ideas opuestas o no tanto opuestas como simplemente ideas conflictivas en el sentido de que la idea de optimalidad del practicante a menudo se centra mucho más en lo que está haciendo en la herramienta y/o con la técnica que se está empleando. Y muy a menudo, lo cual vuelve a algo que Joannes estaba diciendo allí, se centra muy a menudo en las matemáticas, mientras que la persona que es la víctima o el destinatario de la optimización es el empresario.
Supongo que podemos centrarnos en el sector empresarial y privado, aunque obviamente hay mucho más que podemos hacer en torno a la cadena de suministro. Pero el empresario no está en absoluto preocupado o no debería estar en absoluto preocupado por las matemáticas o la metodología o la herramienta o el modelo. Y me centro en, cuando trabajo con mis propios clientes y en proyectos, me centro en tratar de asegurarme de que entiendan que las herramientas que empleamos, los modelos que construimos, son solo una pequeña faceta para llevarlos a una solución que puedan utilizar para tomar una decisión e implementar algo. Así que la premisa básica del artículo era transmitir esta idea de que el modelo no es la pieza importante, es la solución. Y hay tantos más componentes, tantas más facetas de una solución que tenga sentido para el negocio.
Conor Doherty: Solo sobre eso, y Joannes, te dirigiré en un momento, pero la forma en que enmarcaste eso, nuevamente, al explicárselo a tus propios clientes, estás tratando de, y lo anoté, asegurarte básicamente de que las personas entiendan. Y en ese punto, creo que una palabra clave para aclarar de inmediato es cuando mencionas la optimalidad, nuevamente, hiciste la distinción entre el practicante y el matemático. A menudo, cierto lenguaje puede significar cosas ligeramente diferentes dependiendo de dónde se use. Joannes y yo recientemente tuvimos una discusión sobre heurísticas, y nuevamente, una heurística en un sentido matemático versus un sentido económico puede ser ligeramente diferente. Entonces, cuando hablas de perseguir una decisión óptima o presentar optimalidad, ¿qué quieres decir exactamente, por favor?
Ian Wright: Generalmente, pienso en la optimalidad no en el sentido de un matemático, porque para mí, esa es una idea maravillosa en la que centrarse si estás viviendo en el mundo de las matemáticas. Pero lo que tenemos que vivir es cuál es la mejor solución en las circunstancias que prevalecen. Entonces, ¿qué está pasando realmente? ¿Qué está pasando realmente en el mundo? Necesitamos averiguar qué está pasando, y luego necesitamos presentar una solución que diga lo mejor que podemos encontrar en estas circunstancias que aliviará o mitigará la mayoría de los problemas que encontramos en las circunstancias. Esa es la solución que estamos buscando, que queremos presentar.
Conor Doherty: ¿Joannes? Oh, sí, gracias, Ian. Entonces, nuevamente, la idea de ser lo mejor disponible no significa perfecto en términos absolutos. ¿Hay algo más que quieras añadir a eso o estás de acuerdo?
Joannes Vermorel: Sí, quiero aprovechar la caracterización de la perspectiva de optimización en matemáticas como algo hermoso, estoy de acuerdo. Es algo extremadamente simple. Puedo resumirlo para la audiencia. Es la idea de que tomas una función que va a puntuar lo que deseas, y luego parte de la entrada de estas funciones son tus variables, lo que puedes decidir, lo que puede variar según tu voluntad. Así que eso va a la entrada, y luego la función te da la puntuación. Y fundamentalmente, la optimización busca esta combinación de entrada que es la formalización de tu decisión que extremiza el resultado. Extremiza como minimizar si estás tratando de disminuir tus costos o maximizar si quieres maximizar los rendimientos, algo así.
Y lo interesante es que este problema simple viene con una bonita caracterización matemática limpia. Luego puedes decir todo tipo de cosas interesantes sobre tus entradas, puedes decir todo tipo de cosas interesantes sobre tus salidas, cómo se comporta, y qué clases de algoritmos existen para buscar una solución, y si podrás, en términos matemáticos, decir que bajo esas suposiciones, si tu método es el mejor que puede ser o no, etc. Y por cierto, este campo de investigación ahora se llama OR. Solía significar investigación operativa, pero hoy en día es solo optimización matemática. Y ni siquiera les preocupa más si están hablando de un problema empresarial o no. Su preocupación es el desarrollo de solucionadores, que es una clase de software diseñado para realizar esas optimizaciones en un sentido matemático.
Cuando pensamos en términos de optimización en matemáticas, creo que es el tipo más, yo diría, comprensión cristalina de lo que es la optimización. No significa que al ser, ya sabes, cristalino, no significa que sea el más relevante. Solo significa que es el tipo de más puro, como en, ya sabes, pureza cristalina. No significa que sea la herramienta aplicable para todas las situaciones. Y cuando pensamos en términos de optimización en un contexto empresarial, lo que queremos decir es que queremos mejorar las cosas pero con un enfoque cuantitativo. Ves, esa es la diferencia.
Porque también puedo mejorar un negocio, por ejemplo, teniendo una mejor cultura donde las personas son más dedicadas, pero es casi imposible cuantificar algo al respecto. Entonces, cuando decimos optimización, lo que queremos decir es que queremos mejorar con instrumentos cuantitativos e idealmente también resultados cuantitativos. Eso sería, ya sabes, y eso es cuando, vuelvo a tu, yo diría, optimización como la entiendes, la describiría principalmente como un proceso de mejoras cuantitativas. Eso sería, ya sabes, y eso es completamente, eso diría la perspectiva empresarial de la optimización.
Ian Wright: Creo que, no, estoy completamente de acuerdo con Joannes. Una de las cosas que debemos entender también es que está relacionado con lo óptimo, hay dimensiones involucradas en los problemas que estamos analizando, y muchas veces esas dimensiones se ignoran o se dejan de lado. Y algunas de las más básicas, bueno, de hecho, quizás la dimensión más básica es la dimensión del tiempo.
Eso tiene una gran influencia en lo que puedes hacer con el modelo o la técnica y/o la tecnología, y lo que debes hacer en la operación en el mundo real y lo que puedes hacer en esas circunstancias. Y cambia, cambia la naturaleza de lo que puedes considerar como óptimo.
Conor Doherty: Bueno, en realidad, y de nuevo, esa es una frase perfecta de nuevo, lo que puedes hacer. Y eso nuevamente se traduce en una discusión sobre lo que creo que es, y sé que para Joannes es ciertamente un elemento clave en cualquier discusión sobre lo óptimo o básicamente la toma de decisiones, es la naturaleza de la incertidumbre al intentar tomar esas decisiones.
Entonces, en tu artículo, hablas sobre la incertidumbre y la complejidad real que existe en la cadena de suministro. ¿Podrías comentar un poco más sobre las fuentes de incertidumbre que realmente influyen en la búsqueda de la optimalidad de la manera en que uno quiera optimizar?
Ian Wright: Hay muchos tipos de incertidumbre y, eh, incluso hasta el punto de que hay sabores que no puedes probar porque ni siquiera sabes que existen. Entonces está lo que la mayoría de la gente se enfoca como incertidumbre, que a mi parecer es simplemente un reflejo de la naturaleza dinámica del campo de operaciones de la cadena de suministro. Simplemente son dinámicas, por lo que hay incertidumbre relacionada con esas dinámicas, y eso está abierto al análisis y al análisis cuantitativo y al análisis probabilístico, en lo que sé que ustedes están muy enfocados.
Pero luego te mueves más allá de eso a ciertas áreas de incertidumbre que se mueven más hacia el área del riesgo. Entonces hay pequeños riesgos y riesgos extremadamente grandes, y eso también se refleja en el hecho de que vas más allá de un contexto predecible o probabilísticamente predecible al punto en el que estás hablando realmente de, lo que creo que mencioné en el artículo, estás hablando de eventos Cisne Negro. Y solo, chico, acabo de perder todo el tema.
Entonces, lo siento mucho, tal vez tengas que editar eso, pero te mueves desde el modelo del mundo pequeño, que es predecible, tiene elementos que puedes predecir a partir de datos que puedes adquirir bastante fácilmente. Luego pasas a los eventos Cisne Negro, que básicamente, ya sabes, pueden ocurrir, pero la capacidad de predecirlos es mucho más remota y de hecho, eventualmente, ciertos eventos Cisne Negro simplemente no puedes predecirlos. Solo sabes que pueden ocurrir. Y luego creo que incluso de manera más catastrófica, a menudo en muchas circunstancias de lo que yo, lo que yo, lo que yo denomino en el artículo, tomando prestada una frase, los desconocidos desconocidos.
Donald Rumsfeld bueno, en realidad no fue Donald Rumsfeld, fue un tipo antes que él, que se apropió de la idea al igual que yo, pero de todos modos. Entonces, y luego, eso te lleva a, bueno, ¿hasta dónde realmente tenemos que ir para entender no solo los desconocidos desconocidos, para los cuales no podemos permitir eso, ni siquiera los eventos Cisne Negro podemos permitir eso en términos operativos generales y en la planificación, pero lo predecible basado en la probabilidad, podemos y debemos permitirlo.
Y lo que también diría es que puedes entrar en una dimensión diferente de operación donde en realidad, y creo que hablé de esto en el modelado, no solo miras una solución, miras una solución que está compuesta por muchos elementos contingentes a los que puedes cambiar o que se pueden cambiar y ejecutar según sea necesario. Pero el enfoque es mantenerse lo más cerca posible de lo que has denominado óptimo en tu solución preferida.
Conor Doherty: Bueno, en realidad, para aprovechar la cita no inspirada por Donald Rumsfeld, pero otras fuentes de incertidumbre que la gente piensa que son conocidas serían, como dijiste en el artículo, en la demanda estable y en las cadenas de suministro predecibles. Joannes, ¿estas son conocidas conocidas o conocidas desconocidas o desconocidas desconocidas?
Joannes Vermorel: Sí, creo que esta tipología es buena, pero nuevamente, si volvemos al instrumento básico que tenemos para hacer esos análisis cuantitativos, si vuelvo nuevamente a las cosas que se han desarrollado como parte de la investigación operativa, la dimensión del tiempo estaba ausente. La primera razón por la que está ausente es bastante mundana, porque entonces aumentas la dimensionalidad de tus problemas y esos métodos se comportan muy mal cuando intentas lidiar con métodos más complejos. No son muy escalables, al menos no de la forma en que nos referimos a soluciones escalables hoy en día, especialmente si miras a la luz de los recientes desarrollos de lo que sucedió, digamos, en el frente de deep learning.
Entonces, el primer problema es que teníamos este problema súper básico de lidiar con la escalabilidad, sin dimensión de tiempo. Y una vez que comenzamos a considerar la dimensión del tiempo, el futuro no es perfectamente conocido, por lo tanto, tenemos que lidiar con una variabilidad de algún tipo. Y aquí eso serían simplemente conocidos desconocidos. Sabes, es un caso muy leve de incertidumbre. Se espera mucho que los lead times varíen, se espera mucho que la demanda varíe, etc. Entonces esos casos son relativamente fáciles.
Y luego entramos en el territorio de lo que se llama optimización estocástica porque de repente tu decisión puede revelarse como buena o mala dependiendo de circunstancias futuras que no controlas. Por lo tanto, hay futuros alternativos donde esta decisión parece buena, pero ciertamente hay futuros posibles donde se revelará con el tiempo como una mala decisión. Así que, eso es, diría yo, el tipo de problemas muy mundanos que tenemos antes de saltar a los desconocidos desconocidos y todas esas salvajes variedades de incertidumbres que tenemos problemas más básicos aún, y ahí es donde creo que esta idea de facetas es muy interesante.
Simplemente no sabemos realmente cómo deberíamos puntuar nada. No es obvio. Cuando decimos que queremos optimizar los beneficios, hay un número indefinido de formas de contar los beneficios. ¿Deberíamos incluir los efectos de segundo orden, los efectos de tercer orden? ¿Qué quiero decir con efectos de segundo orden? Das un descuento del 10% ahora, el cliente espera que la próxima vez que entre a la tienda obtenga nuevamente un descuento similar. Este es un efecto de segundo orden. Acabas de dar un descuento, pero te costó más porque inspiraste la expectativa. Entonces, nuevamente, eso debería ser puntuado.
Y luego, si haces eso, tu competidor podría decidir competir de manera más agresiva incluso en precio, o podrían eventualmente renunciar por completo a competir, dejándote solo o al menos con menos competidores. Así que, ves, todos esos son aspectos muy mundanos de qué estoy cuantificando exactamente. Estos son difíciles. Creo que otra faceta que no se aborda realmente en la literatura clásica de optimización es que piensan como si los problemas estuvieran bien entendidos desde el principio.
Conor Doherty: Ian, en tu artículo, mencionaste muchos ejemplos concretos de empresas que han tenido éxito o fracasado al abordar los tipos de incertidumbre de los que acabamos de hablar, ya sea tiempos de entrega, patrones de demanda erráticos, lo que sea. ¿Podrías compartir más detalles de estos estudios de caso, por favor?
Ian Wright: Sí, así que muchos de los proyectos en los que trabajo son más estratégicos. Algunos son tácticos. En general, ya no trabajo realmente en el ámbito de la planificación para la ejecución. Por lo tanto, la mayoría de los ejemplos que se me ocurren en este sentido se relacionan con empresas que no lograron planificar táctica o estratégicamente al no abordar estos problemas en torno a la previsibilidad o falta de previsibilidad.
Recientemente, en los últimos tres años, hubo un evento un año antes que creo que nadie diría que habían predicho. Ciertamente, creo que ningún sistema de planificación en ninguna empresa podría haber concebido e incorporado elementos de planificación que tuvieran en cuenta el impacto de la pandemia y lo que sucedió con las existencias y las implicaciones de la reducción de inventario, la disminución repentina de la demanda, y demás. Muchas implicaciones ampliamente dispersas. El ejemplo clásico es en torno a los semiconductores.
Mi experiencia fue doble en el sentido de que muchas empresas que salían de la pandemia en la fabricación de alimentos y no solo en farmacéuticos sino en aparatos médicos, en el sector logístico de la salud en su conjunto, de repente se dieron cuenta de que tenían que planificar algo que no habían anticipado. Estaban luchando contra sus sistemas internos intrínsecos que gestionan el negocio, que gestionan su cadena de suministro, porque esos sistemas ya no les proporcionaban datos capaces de construir la base de modelos para entender qué deberían hacer a continuación.
Por lo tanto, trabajé en muchos proyectos para fabricantes de alimentos que intentaban ponerse al día con la inmensa explosión de demanda en lugares donde no tenían capacidad, y necesitaban entender muy rápidamente dónde debería colocarse esa capacidad y por qué debería colocarse allí. Había tantos problemas fundamentales al tratar de averiguar cómo hacer eso porque era muy parecido a decir, ¿cómo construyes una cadena de suministro para un producto que no existe hoy? ¿Cómo planificas para eso? Y luego toda la noción de cómo luego pasar a la ejecución es la siguiente etapa.
Conor Doherty: Ian, esa es una buena transición entonces para Joannes. Quiero decir, esto es muy tu especialidad, ejecutar soluciones a situaciones llenas de incertidumbre. ¿Algunos ejemplos de éxitos o fracasos con empresas cuando se trata de los tipos de incertidumbre que estamos discutiendo?
Joannes Vermorel: Sí, creo que, sabes, si volvemos al año de los confinamientos, 2020, 2021, lo interesante es que Lokad tuvo, yo diría, muy buenos éxitos operativos, pero creo que precisamente porque estábamos haciendo optimización.
Permítanme describir lo que la mayoría de las empresas están haciendo en la actualidad a través de un océano de hojas de cálculo. No están optimizando nada, ni en el sentido matemático ni de la forma que acabamos de describir. Lo que están haciendo es básicamente reproducir lo que se ha hecho antes. Están emparejando en gran medida sus propias decisiones anteriores. Ni siquiera están siguiendo realmente la demanda o algo; están reproduciendo en gran medida lo que han hecho antes, lo que significa que el presupuesto se divide y se corta de la misma manera que se hizo el año pasado, que los stocks de seguridad se ajustan nuevamente mínimamente en comparación con lo que se hizo el año pasado, etc. Así que, todo se hace incrementalmente versus el statu quo. No hay optimización teniendo lugar. Solo estamos reflejando el statu quo, guiándolo un poco pero no cuantitativamente, un poco en la dirección que parece apropiada.
Funciona de alguna manera, pero esa es la cuestión: no hay un proceso de optimización teniendo lugar, lo que significa que si cambias ampliamente tus condiciones operativas, no tienes ningún mecanismo en su lugar para reflejar esas nuevas condiciones. Permítanme repetir, todas tus hojas de cálculo, todos tus procesos en su lugar están diseñados para replicar lo que has hecho antes. En contraste, en Lokad, teníamos sistemas de optimización en su lugar. ¿Qué sucedió cuando tuvimos situaciones sin precedentes? Básicamente inyectamos manualmente una dosis masiva de incertidumbre en nuestros modelos.
No sabíamos qué iba a suceder. Simplemente dijimos, “De acuerdo, la demanda es normalmente lo que llamamos el efecto escopeta.” Ves el futuro de la demanda que simplemente va así, ya sabes, posibilidad. Bueno, si tienes una situación como los confinamientos, simplemente aumentas el ángulo de la escopeta para que el futuro se vuelva muy difuso. Lo mismo para tus retrasos, lo mismo para tus precios. Simplemente asumes que de repente sabes mucho menos sobre el futuro. Pero puedes hacer eso, y si asumes que de repente sabes mucho menos, puedes volver a ejecutar tu lógica de optimización, eso es optimización estocástica, para obtener decisiones que sean más prudentes con respecto al riesgo que tienes.
De alguna manera tienes en cuenta ligeramente lo peor que puede suceder en términos de retrasos, precios, demanda, etc., y tomas tus decisiones mucho más conservadoramente con respecto a esos riesgos que han explotado cuantitativamente. Mi conclusión es que funciona. Funciona muy bien, pero el problema es tener más optimización, no menos. Aunque no es el tipo de perspectiva estática de investigación operativa, nada se está moviendo en términos de optimización.
La segunda cosa, es una faceta adicional que creo que casi nunca se discutió durante la era de la investigación operativa, probablemente de 1950 a 1980, esos 30 años, que era la calidad de tu instrumentación. ¿Qué tan rápido puedes pasar de una instancia de tu modelización a la siguiente instancia? Eso es algo realmente práctico operativo.
Ian Wright: Creo que también hubo problemas prácticos relacionados con eso porque la tecnología no era suficiente. Había una falta de datos porque la tecnología relacionada con eso no era suficiente. Pero ciertamente, la tecnología para permitir una ejecución más rápida de la planificación simplemente no estaba allí. Te puedo decir que he visto modelos de optimización ejecutarse durante 24 horas, en comparación con hoy, cuando trabajo con chicos, pienso, “Bueno, aún no ha terminado, ya han pasado cinco minutos, ¿qué debo hacer?” Así que, no quiero interrumpirte, Joannes, pero creo que gran parte de eso se debe a que hoy tenemos una tecnología mucho mejor.
Joannes Vermorel: Estoy completamente de acuerdo, y esa es una preocupación separada, pero son preocupaciones realmente prácticas. Si tienes una tecnología de optimización pero volver a ejecutarla lleva 24 horas y necesitas 20 iteraciones para converger a algo que sea relativamente satisfactorio con respecto al nuevo estado de tu cadena de suministro, nunca sucederá. La gente simplemente vuelve a las hojas de cálculo. Simplemente no hay tiempo para pasar por todos esos obstáculos. Vuelves a tus hojas de cálculo que quizás no te brinden este tipo de optimización, pero al menos te darán una respuesta dentro de un marco de tiempo razonable.
Creo que también fue algo en lo que Lokad se destacó en este período. Teníamos optimización, pero teníamos herramientas de optimización lo suficientemente ágiles como para que pudieran ser probadas repetidamente docenas de veces al día hasta que tuviéramos algo que realmente funcionara. De lo contrario, nuestros clientes simplemente habrían renunciado a los servicios que Lokad ofrecía en ese momento.
Ian Wright: Interesante porque siempre he luchado con lo que llamo la optimización instantánea. Especialmente, la planificación de la cadena de suministro y los modelos de red siempre han sido programación entera instantánea. Los solucionadores son todos instantáneos, y todo este problema de la sincronización, siempre he luchado con cómo podríamos aprovechar los beneficios de enfoques tipo simulación donde podemos incorporar un poco mejor la dimensión del tiempo y cómo podemos de alguna manera fusionar un enfoque.
Por ejemplo, hay una empresa en Rusia, una empresa de simulación, que propuso combinar la optimización. Pensé que eso era genial en ese momento. Desafortunadamente, no estoy muy familiarizado con su implementación del lado de la optimización porque son una empresa de simulación. El tema del tiempo es una cosa. El otro problema, creo, en la determinación de una solución con probabilidad también implica un problema tecnológico que hoy somos más capaces de enfrentar. Implica la cantidad de datos, el alcance de los datos que puedes incorporar para derivar la solución.
Muchas cosas están fuera del ámbito de la corporación o la empresa o la división que estás optimizando y no se tienen en cuenta cuando tienes un nuevo producto o cuando estás entrando en un mundo completamente nuevo después de una pandemia. Lo único en lo que a menudo puedes confiar es en datos que no tienen nada que ver con la historia de tus operaciones anteriores. Debes buscar en un alcance mucho más amplio de datos para que cuando estés creando probabilidades, por ejemplo, necesitas incorporar variables exógenas además de todas las variables tradicionales relacionadas con la actividad que estás tratando de continuar.
Joannes Vermorel: Conceptualmente, sí, aunque discrepo ligeramente en esto. El problema es que los datos más allá de los datos transaccionales son muy costosos para las empresas. Adquirir datos sobre inteligencia competitiva está bien, eso no es demasiado costoso, pero si vas más allá de eso, simplemente rascar los precios de tus competidores, se vuelve muy rápidamente muy complicado.
Nuestro enfoque es que generalmente, primero, necesitas tener modelos donde mires tus datos de una manera más informativa. Un ejemplo de eso sería que lanzas un nuevo producto, no tienes historial de ventas, por lo que la perspectiva tradicional de series temporales dice que no tienes nada. Pero si renuncias a la perspectiva de series temporales y adoptas una visión alternativa, podrías ver que tus lanzamientos de productos tienen un patrón de acierto o error y que los éxitos que puedes esperar se comportan según alguna distribución, al igual que los fracasos. Entonces sí, puedes usar tus datos históricos para decir cosas sobre el producto.
Nuevamente, porque tus lanzamientos, si un estudio desconocido lanza una película, las probabilidades de que este estudio desconocido produzca una película que recaude mil millones en cines es muy baja. Pero si es Disney o Warner Brothers, entonces las probabilidades son quizás de alrededor del 5%.
Entonces, primero, usando los datos de transacciones que tienen las empresas, generalmente puedes saber mucho más de lo que la gente piensa porque están arraigados en la perspectiva de series temporales. Hay otras formas.
La segunda cosa es que si admites que simplemente no sabes, reconozcamos que las personas que tomarán esas decisiones como humanos tampoco tienen una fuente secreta de información. No hay una bola de cristal dentro del cerebro humano que te permita vislumbrar el futuro o algo así, especialmente cuando estamos hablando de cadenas de suministro donde tenemos decenas de miles de productos que solo conoces por el hecho de que existen. Muchas personas que serían planificadores de oferta y demanda ni siquiera sabrían exactamente qué está vendiendo o produciendo su empresa.
Entonces, volviendo a eso, diría que primero tenemos nuestros datos de transacciones que se pueden explotar de formas que van más allá de lo que se ve a simple vista tan pronto como renuncias a esta perspectiva de series temporales. Pero también tienes el hecho de que esta información adicional es muy difícil de obtener. Entonces tal vez lo que deberíamos aceptar en su lugar es tener mucha incertidumbre.
Las herramientas tradicionales ni siquiera aceptan lidiar con la incertidumbre en absoluto. Cuando digo herramientas tradicionales, me refiero a todos los solucionadores que ofrecen optimización matemática del mercado. Todos los solucionadores que conozco que están establecidos son simplemente solucionadores deterministas; no pueden lidiar con la incertidumbre. Acabamos de recibir en este canal a un pionero que está tratando de establecer su prototipo de optimizador estocástico InsightOpt, Meinolf Sellmann, que tenía sus instrumentos Seeker. Pero eso es realmente único, y eso es prácticamente el único que conozco que está tratando de perseguir esto desde una perspectiva comercial.
Entonces, volviendo al caso en cuestión, mi opinión es que si no tienes ningún instrumento para lidiar con la incertidumbre de ninguna forma, la idea de que simplemente manejarás esta situación inflando la incertidumbre y dejándola ser no es ni siquiera pensable. Pero si tienes esos instrumentos, entonces se convierte en algo muy natural. Intentas algo sin precedentes, la incertidumbre está por las nubes y tu optimizador simplemente te permite actuar en consecuencia.
Ian Wright: Creo que donde estamos empezando a desalinearnos es porque hay una diferencia en el enfoque entre nosotros cuando estás planeando estratégicamente y cuando estás planeando especialmente cuanto más cerca estás de la ejecución, donde las opciones disminuyen drásticamente. Vengo de una esfera de planificación predominantemente estratégica. Cuando dices, por ejemplo, que muchos de estos datos adicionales de alcance para un nuevo producto son costosos, eso puede ser, pero hay muchos y diferentes tipos de datos que puedes utilizar en la modelización antes de llegar a la optimización.
Puedes modelar la correlación entre muchos aspectos exógenos diferentes de datos económicos y datos demográficos relacionados con el tipo de producto y mercado al que deseas servir ese producto. Ahí es de donde vengo, Joannes, cuando hablo de agregar más elementos de datos. Estoy hablando de mirar la correlación con lo que son datos razonablemente accesibles generalmente relacionados con la demografía y la penetración en el mercado.
Otro aspecto de esto, que creo que es en última instancia en lo que siempre debemos pensar como proveedores de tecnología y practicantes en este campo, es que las empresas son en última instancia sobre finanzas. Un elemento importante de lo que tenemos que hacer en la planificación es reducirlo a costos y minimización de costos, dependiendo de las circunstancias. Los datos de costos, en mi opinión, se han empleado de manera insuficiente en, por ejemplo, modelos de red para la optimización de la cadena de suministro. La gente ha estado contenta de aceptar suposiciones en torno a los costos al incluir costos en los modelos, en lugar de salir y encontrar expectativas mucho más concretas en torno a los costos, lo cual es muy factible. Creo que es simplemente algo que, con la tecnología que ahora tenemos, es mucho más propicio para centrarse y comprender más sobre lo que podemos hacer para incorporar datos y comprender más el alcance del contexto en el que estamos trabajando.
Conor Doherty: Es un punto perfecto para avanzar un poco porque una vez que tienes todos los datos, luego debes llegar a una decisión eventualmente. Algo de lo que también hablas en el documento es el papel de los compromisos en la toma de esas decisiones. Una vez que tienes tu modelo y todos los datos, aún te enfrentas a una serie de decisiones, a menudo solo opciones de decisión. ¿Cómo encajan los compromisos en la búsqueda de la decisión óptima?
Ian Wright: Haré un punto rápidamente. Nunca tienes todos los datos. Tienes los datos que tienes, obviamente, pero siempre están incompletos. Así que tienes que trabajar con lo que tienes. Soy un cínico de corazón, puedes decirlo, ¿verdad? En cuanto a los compromisos, hay compromisos obvios en la cadena de suministro. Tu compromiso es básicamente financiero. ¿Quiero gastar el dinero para proporcionar el servicio y el producto que mi cliente desea? Quiero proporcionar el producto de la manera en que el cliente quiere que se lo proporcione, y eso significa que tengo que gastar dinero para hacerlo. ¿Hasta qué punto estoy dispuesto a llegar por ese camino?
El compromiso es inventario versus costo de transporte, por ejemplo, como uno básico. Pero hay compromisos relacionados con cuántas contingencias pongo en marcha para mitigar el riesgo. ¿Cuántas posibles rutas operativas creo para mi negocio para poder ejecutar un plan probabilístico que genere algo que no sea mi ruta normal de ejecución? Un compromiso es si miro las implicaciones a corto plazo en torno a los modelos que persigo y los planes que pongo en marcha, o si involucro lo a largo plazo, lo que a menudo puede significar un compromiso financiero porque estoy invirtiendo ahora en algo que no sucederá hasta un período posterior.
Para mí, los compromisos son una especie de eufemismo para decir que tengo que tener las finanzas correctas. ¿Cómo equilibro todas esas cosas? No estoy seguro si estoy respondiendo a tu pregunta, Conor, pero se reduce a qué estoy dispuesto a equilibrar en mi modelo, dado que sé que estoy limitado en la forma en que puedo delimitar mi modelo. ¿Qué estoy dispuesto a equilibrar para colocar ese signo de dólar o ese signo de euro en el lugar correcto?
Conor Doherty: Gracias, Ian. Y Joannes, ahora me dirigiré a ti porque nuevamente básicamente te estoy preparando para algo que sé que te gusta hablar. Hice el punto de que, en el fondo, lo que las personas están tratando de optimizar explícitamente, corrígeme si me equivoco, es de hecho el costo o las finanzas. Pero la cuestión es que muchas veces cuando hablamos de la toma de decisiones en la cadena de suministro, las personas o las empresas están tratando de optimizar cosas como los niveles de servicio. Creo que has mencionado antes que lo que las personas piensan que están optimizando es el costo, pero en realidad eso es solo un artefacto numérico. Entonces la pregunta, si pudieras comentar, es si cuando las personas se centran en esos objetivos tradicionales en la cadena de suministro, ¿están optimizando de hecho el costo o están mirando en la dirección equivocada?
Joannes Vermorel: Entonces, si observamos las prácticas dominantes de la cadena de suministro en la actualidad, en las presentaciones dirían que se centran en lo económicamente viable. En la práctica, no lo hacen. Es como porcentajes todo el tiempo en términos de niveles de servicio, devoluciones de inventario y demás. Esas cosas están vagamente correlacionadas con tu resultado final, pero solo vagamente.
Suponer que tu rentabilidad está correlacionada de alguna manera con tus niveles de servicio es simplemente insensato. No funciona. Es una visión muy simplista. Lo primero sería afirmar que las prácticas dominantes son, de hecho, las personas saben intuitivamente que no pueden convencer a nadie si dicen que quieren optimizar porcentajes. Así que en las presentaciones, dirán que optimizamos esos dólares, pero en la práctica, en sus sistemas de software, tienen reglas que no están absolutamente alineadas de ninguna manera con esas modelizaciones en dólares. Diría que solo las que he visto en la naturaleza, dejando de lado Lokad, eran estrictamente perspectivas no financieras, no económicas.
Ahora, si llegamos a una perspectiva económica donde comenzamos a tener esos dólares, estoy completamente de acuerdo en que es muy difícil hacerlo bien. Es difícil, y de hecho, tienes muchas historias de terror que se cuentan con mucha frecuencia en películas de Hollywood donde el tipo de finanzas es el malo que está teniendo un pensamiento increíblemente estúpido a corto plazo a expensas de algo que estaría un poco más lejos en el futuro.
La perspectiva financiera tiene mala reputación, y de hecho, el tipo de perspectiva que la investigación de operaciones enfatizaba hace 40 años era una visión muy simplista. Realmente iban por un número muy reducido de variables básicas: costos—costo de stock, costo de esto, costo de aquello—y ¡zas!, ya está, trabajo hecho, ahora dejemos que la magia opere con la solución óptima que saldrá del modelo.
En Lokad, notamos eso y nos dimos cuenta de que teníamos un problema real, que era cómo llegar al conocimiento de si nuestra función de puntuación, nuestra función de puntuación económica, la que está contando los dólares, está diciendo una versión aproximada de la verdad que sea lo suficientemente buena. Es una pregunta muy difícil, y lo que descubrimos fue una metodología documentada en mi serie de conferencias de supply chain llamada optimización experimental.
La forma de saber que tu modelo económico es correcto es cuando genera decisiones coherentes. Es muy extraño. Al final, la gente pensaba que necesitabas tener la métrica de puntuación correcta para que te diera las decisiones óptimas. Lo que hacemos es más o menos lo contrario. Generamos las decisiones y luego, de esas decisiones generadas que han sido extremizadas según esta métrica, vemos si son coherentes o no.
Cuando vemos decisiones claramente disfuncionales que son flagrantemente insensatas, muy frecuentemente volvemos a la modelización económica y nos damos cuenta de que algo está mal, algo que nos perdimos. Así que tenemos este proceso muy iterativo donde elegimos nuestros dólares, optimizamos, obtenemos decisiones, algunas de ellas son insensatas, revisamos la forma en que contamos los dólares, y repetimos una y otra vez.
Con muchas iteraciones, finalmente convergimos en algo donde nadie tiene más dudas. Eso es lo que llamamos el principio de cero locura. Queremos converger hacia una configuración donde el sistema no genere ninguna línea que sea obviamente patéticamente insensata desde el principio. Ese es realmente el punto en el que en Lokad creemos que es necesario antes de llegar a la producción.
Pero ves, el punto es que invertimos completamente el tipo de perspectiva que tenía la investigación de operaciones. En lugar de decir que la función de puntuación es un hecho, es algo que vamos a descubrir a través de un proceso incremental. Es muy extraño porque eso va muy en contra, al menos para los franceses, de esta perspectiva cartesiana de pensamiento de abajo hacia arriba y aplicación de principios y simplemente desenrollarlos. Es un proceso mucho más empírico.
Ian Wright: Tengo que confesar, y pido disculpas por esto, pero tengo que confesar mi relativa ignorancia sobre Lokad. Pero estoy muy intrigado por tu definición de cordura en el contexto del que estás hablando. ¿Qué constituye una decisión cuerda?
Joannes Vermorel: Ian, para dar un ejemplo que di en mi serie de conferencias, comenzaré con una analogía y luego volveremos a la cadena de suministro. Hay clases de problemas donde si quieres resolver el problema general, es imposiblemente difícil, pero las instancias particulares son muy fáciles.
Un ejemplo de eso sería, digamos que te doy una película para ver y te digo que se trata de un gladiador romano o lo que sea, y te pido que detectes si hay cosas que están completamente fuera de contexto con respecto al período histórico, como un avión en el fondo. Hay una famosa película donde están luchando en la arena y hay un avión en el cielo en el fondo.
Si te pido que encuentres un algoritmo general para decirme todas las cosas que pueden salir mal en una película que no reflejan la época o período de tiempo, es una tarea completamente desalentadora. Necesitarías una enciclopedia de todas las cosas que no se inventaron, incluso los términos, el estado de ánimo, la actitud, el tipo de pensamiento. Es simplemente un problema imposiblemente complicado. Pero en la práctica, si pones a un pasante a ver la cinta, te dirá: “Oh, hay un avión aquí, es malo”. No puedo darte la lista de todas las cosas que están mal, pero puedo detectar esta pieza de locura.
Los sistemas de supply chain son muy parecidos a eso. Es muy difícil darte una regla general para establecer exactamente qué cuenta como una locura o no. Ese es un problema de inteligencia general, no algo que puedas condensar en un simple algoritmo. Pero resulta que las personas son bastante buenas detectando esos problemas.
Un ejemplo sería, tienes una serie de faltantes de stock en tus datos históricos, no están correctamente considerados, y de repente tu estimación de la demanda futura cae a cero porque tuviste faltantes de stock, por lo que no vendiste, y tu modelo pronostica estúpidamente cero. Luego terminas sugiriendo cero reabastecimiento como una buena política. Dice, “¿Cuál es tu nivel de stock objetivo? Cero, porque observamos muy poca demanda, así que mantengámoslo en cero.”
Si comienzas a pensar en eso, sí, mi pronóstico va a ser 100% preciso porque estoy pronosticando cero, estoy reabasteciendo cero, y todo está bien. Pero no, no está bien. Este problema se llama congelamiento de inventario. Esto es una pieza de locura, y tienes muchas situaciones como esa donde al analizar decisiones, puedes identificar cosas disfuncionales, donde los números son increíblemente altos o bajos, o las cosas simplemente no tienen sentido.
Un ejemplo que tuvimos históricamente en Lokad, para uno de nuestros primeros clientes de aviación, comenzamos a analizar el reabastecimiento de inventario y sugerimos comprar algunas piezas. El cliente regresó y nos dijo: “Oh no, no vamos a comprar esas piezas. Esas piezas irán en un Boeing 747, y dentro de 10 años no habrá ningún Boeing 747 volando sobre Europa. Esas piezas tienen una vida útil de cuatro décadas, así que si las compramos ahora, solo las usaremos durante 10 años, y luego esos aviones habrán desaparecido.”
Eso fue algo obvio donde olvidamos tener en cuenta el hecho de que la utilidad de una pieza no puede exceder la vida útil de la aeronave que sirve. Este es el tipo de situación donde, dependiendo de los verticales, la realidad te dará un flujo interminable de cosas que simplemente caen en tu cara como manifestaciones de esas locuras. Aunque no puedo darte una regla general o un algoritmo para detectarlo, en la práctica funciona muy bien porque las personas pueden detectar esas cosas.
Ian Wright: Ahora estamos violentamente en la misma página, curiosamente, porque sé que queremos discutir algunas cosas que vienen. Mi premisa principal en mi carrera, en términos de haber trabajado con toda esta tecnología e introducir tecnología en la empresa de la víctima, siempre ha sido que no puedes excluir al humano. Debes tener en cuenta y utilizar al humano en el proceso de implementar y utilizar la tecnología.
Porque en este momento, y en mi futuro previsible, no tenemos tecnología que pueda reemplazar muchos de los aspectos del humano del que estás hablando, en términos de reconocimiento de lo absurdo, por ejemplo, o reconocimiento de lo insensato. Simplemente no existe todavía. La única forma en que llegará a existir es tratando de incorporar de alguna manera aspectos del humano en el proceso. Hoy en día, simplemente no es factible.
Joannes Vermorel: Sí, estoy de acuerdo contigo. Hay dos ángulos a los que me gustaría responder a tus comentarios. Primero, a veces las decisiones insensatas solo pueden ser conocidas como insensatas después del hecho. Debes cometer el error para darte cuenta de que algo inesperado sucedió y fue malo. Pero más que el humano, la información tiene que regresar del mundo. Necesitas retroalimentación del mundo real para obtener esta información. Entonces, es una cuestión de inteligencia de alto nivel. Incluso si tuviéramos una inteligencia artificial tan inteligente como un humano, hay límites. Hasta cierto punto, la única forma en que conoces el mundo es dándote cierto margen para experimentar. Ese sería el primer ángulo.
El segundo se refiere al papel de las personas. La forma en que mis colegas han diseñado sistemas es utilizando a los humanos como coprocesadores. Tu sistema genera decisiones, números, asignaciones de recursos y demás. Luego tienes todas esas líneas que son insensatas, y esperas tener un ejército de empleados que intervengan manualmente y corrijan todo eso. Para la audiencia, todos los sistemas que tienen alertas y excepciones están haciendo exactamente eso. Las alertas y excepciones son solo otra forma de decir que tenemos coprocesadores humanos que van a procesar las cosas que mi sistema no procesa.
Mi problema con eso es que las personas son bastante caras. Este es el costo. Entonces, la forma en que lo veo, no es un uso muy bueno de su tiempo porque vas a tener a esos coprocesadores humanos ciclando interminablemente a través de la misma tontería de las mismas alertas y excepciones.
Es por eso que en Lokad, lo vemos de una manera completamente diferente. Decimos que cada vez que se detecta una tontería, como una alerta o una excepción, alguien en Lokad, el Supply Chain Scientist, debe intervenir y ajustar la implementación de lo que sea que esté haciendo la optimización predictiva para corregirlo para que este problema no vuelva a ocurrir. Sin excepciones. Cada pieza de tontería que se aborda se evalúa. ¿Es realmente una pieza de tontería o una optimización muy inteligente? Si realmente es una tontería, entonces la lógica de optimización en sí misma debe corregirse. No quieres que el mismo empleado informe el mismo problema nuevamente al día siguiente.
Ian Wright: Creo que todavía estamos en la misma página, ciertamente en el mismo capítulo. Estoy hablando más desde un alcance estratégico y táctico, donde no me preocupa salir y mirar una habitación llena de personas de Gran Hermano en pantallas de computadora corrigiendo cosas. Estoy hablando de lo que es necesario en la implementación de operaciones en un sentido estratégico o táctico. Significa involucrar a las partes interesadas experimentadas para mantener la cordura en la dirección que estás tomando y en las soluciones que estás impulsando.
En cuanto a la idea general de donde creo que estás enmarcando tu argumento, Joannes, a medida que avanzamos con el tipo de tecnología que estás desarrollando y has desarrollado, y con el movimiento general hacia una mayor capacidad en términos de IA, la capacidad de un sistema para autocorregirse en un contexto de gestión de eventos se volverá más factible. Nos alejaremos de la costosa sala de operadores de computadoras humanos. Pero no es así hoy, por lo que debes trabajar dentro de las limitaciones de las capacidades que tienes en ese momento.
Conor Doherty: Si me permites, parece que Ian, estabas comentando más sobre el papel del humano en el sentido estratégico, y Joannes, pareces estar comentando más sobre la toma de decisiones en el sentido mundano del día a día. ¿Son estas magisterias no superpuestas?
Joannes Vermorel: Eso es porque, ves, mi perspectiva, y tal vez sea un poco extraña, es que si entramos en el ámbito de la consideración estratégica, entonces tu enfoque en la operación de una cadena de suministro debería ser mucho sobre cómo ingeniar la maquinaria que genera las decisiones adecuadas. La gente piensa que hay decisiones estratégicas, decisiones tácticas y lo que sea. Mi opinión es que tienes decisiones que son repetibles. Algunas se repiten todos los días, algunas cada hora, algunas cada mes, algunas una vez al año. Cuando se trata de mecanización, quieres mecanizar todo lo que se repite lo suficientemente frecuentemente. Te permites tratar con las otras de una manera completamente ad hoc.
La estrategia, si comienzas a pensar en este enfoque, no se trata tanto de decidir algo en un cierto nivel y luego permitir que otras capas de tu organización hagan su trabajo en otros ámbitos. Es más como que la visión estratégica se trata de qué hago para que la cultura de ingeniería de mi empresa, a partir de esta cultura de ingeniería, emerjan los procesos de toma de decisiones mecanizados que realmente mejoren mi resultado final. Esa es una forma completamente diferente de pensar en la estrategia.
Ian Wright: Estoy completamente de acuerdo contigo. La forma en que a menudo lo he visto es el papel del arquitecto en diseñar el concepto de un edificio, y luego se lo entrega al ingeniero que dice cómo se va a construir, y luego a la construcción que realmente lo construye, y luego a las personas que trabajan y mantienen el edificio. En todos esos niveles, el arquitecto no debería estar creando algo que no se pueda ingeniar, construir o mantener. Esa es mi analogía de alto nivel del proceso en el que estamos involucrados.
En la cadena de suministro, sin embargo, es un poco diferente porque puedes crear una estrategia hoy, pero tienes que hacer lo mismo de nuevo el próximo año. El problema con la cadena de suministro es que es dinámica y adaptable. Debemos responder al mundo cambiante y sus necesidades. Repites tu proceso estratégico, pero debes hacerlo de una manera factible que sea pragmática y te permita implementar una solución operativa.
Joannes Vermorel: Solo para darte una perspectiva, durante los confinamientos en 2020 y 2021, tuvimos una serie de clientes, más de una docena, donde sus trabajadores de cuello blanco se fueron durante 14 meses. Lokad se quedó solo tomando todas las decisiones de la cadena de suministro para empresas donde la fuerza laboral de cuello azul seguía operando. La fuerza laboral de cuello blanco estaba de vacaciones gubernamentales, subvencionadas. Estaban pagados, pero los gobiernos europeos también estaban imponiendo que las personas no trabajaran desde casa, de lo contrario, no serían pagados por las subvenciones gubernamentales. Así que, efectivamente, estaban de permiso.
Logramos para una docena de clientes tener más de mil millones de euros en inventario operado completamente durante 14 meses. Eso representaba más de mil empleados en total. Y eso realmente plantea la pregunta de qué están entregando esos procesos de cadena de suministro supuestamente estratégicos.
Cuando veo la mayoría de las reuniones de S&OP, tendrás largas discusiones para decidir cuánto presupuesto asignamos para compras para varios departamentos. Todo eso puede ser reemplazado por una fórmula. Si no estamos de acuerdo con una fórmula porque da resultados insensatos, entonces corregimos la fórmula. Pero no necesitamos reunirnos con 12 directores y todos los gastos para llegar a este cálculo de presupuesto. Se puede automatizar.
En términos de estrategia, la pregunta sería, ¿cómo me aseguro de que la ingeniería que se utiliza en esta fórmula que asigna mis recursos de nivel superior se haga de una manera que esté alineada con los intereses de mi empresa? Ese es un problema muy interesante y sí, esto debería captar el interés de la gerencia que quiera pensar estratégicamente. La idea de seleccionar algunas decisiones y decir, “Voy a estar involucrado en eso”, realmente no agrega mucho valor.
En muchas empresas, lo que sucede en esas reuniones supuestamente estratégicas es una gran cantidad de tiempo perdido. Sí, generan decisiones, pero con una productividad que es absolutamente abismal. Creo que tuvimos un invitado anterior discutiendo sobre S&OP, y me decía que generalmente terminaban con como cuatro decisiones por hora.
Conor Doherty: Eso fue Eric Wilson, sí, en un proceso de S&OP.
Joannes Vermorel: Sí, y pensaba, bueno, acabamos de tener cientos de miles de decisiones que tomar, y ahora tenemos un ritmo de cuatro decisiones por hora. Es obvio que cuando tienes este tipo de situación, las operaciones siempre van a estar muy por delante de tus planes.
Para cuando llegas a tus decisiones, estas son completamente obsoletas, y la gente ha hecho otra cosa porque no podía esperar tanto por esas decisiones. Terminamos en este tipo de situación donde es más como una farsa. La gente toma decisiones estratégicas para cosas que ya sucedieron como dos años antes.
Conor Doherty: Bueno, eso me interesa. Solo para prepararte para el seguimiento, porque sé que en el artículo hablaste sobre una toma de decisiones más descentralizada en la cadena de suministro, y diste el ejemplo de Walmart.
Puedes describirlo mejor que yo.
Ian Wright: Hacerlo correctamente de una manera efectiva significa que descentralizas la decisión, pero esa descentralización y la toma de decisiones aún se llevan a cabo en un contexto que ha sido diseñado de manera efectiva y adecuada. Para que no te alejes mucho de la estrategia central corporativa. Hay casi como una escalera mecánica de estrategia hasta las operaciones.
En ese caso, estamos hablando de la descentralización de lo que yo llamaría decisiones más tácticas. Pero todo vuelve a Joannes. No estoy en desacuerdo contigo en absoluto. Lo que estamos hablando es de que las personas no solo trabajan en silos dentro de las organizaciones, sino que también planifican y funcionan en silos. Los chicos de la cadena de suministro se van y hacen su plan estratégico de cadena de suministro, luego piensan en el plan de transporte, y luego en el plan de almacén.
Todos estos planes son interdependientes y, desafortunadamente, con bastante frecuencia se ejecutan de forma independiente. Básicamente no podemos llegar a una solución óptima de cadena de suministro estratégica a menos que incorporemos un plan de red, un plan de transporte y un plan de inventario en un modelo operativo.
Toda la situación con Lokad operando sin los empleados de cuello blanco en el edificio es un gran ejemplo para mí de tener un modelo operativo que signifique que puedes mantener las operaciones y no alejarte demasiado del plan que pensaste que necesitabas para operar hace seis meses a pesar de las disrupciones. Has reunido a las personas adecuadas, los procesos adecuados, y tienes la tecnología y los programas en su lugar para ayudar en esa ejecución.
Realmente sostengo mucho más que toda esta idea de lograr la optimalidad correcta. Puedes tener un plan óptimo, pero necesitas poder ejecutarlo y mantenerlo lo más cerca posible. Sin ese modelo operativo, y voy más allá de las personas, procesos y tecnología tradicionales, necesitas tener eso en su lugar. Ese es realmente tu plan corporativo estratégico, y luego todos estos otros planes estratégicos en torno a la cadena de suministro tienen que funcionar dentro del contexto de eso. Si no coincides el modelo operativo que tienes con los planes que estás ideando, entonces eso será una receta para el desastre.
Conor Doherty: Ian, si puedo resumir eso en una cita, dijiste anteriormente que no puedes excluir a los humanos. Entonces, Joannes, ¿estás de acuerdo en que no puedes excluir al humano, especialmente en la toma de decisiones estratégicas de la que Ian está hablando? ¿Es algo que podría ser absorbido en un marco automatizado que ya has aplicado a la ejecución más mundana del día a día del negocio?
Joannes Vermorel: En la cuestión de si tenemos inteligencia artificial general, no la tenemos. Estamos acercándonos, es cierto. Los LLMs muestran destellos de inteligencia general, pero solo destellos. Entonces, diría que en Lokad en este momento, ciertamente no afirmamos que tenemos un software tan sofisticado que pueda prescindir de la necesidad de la mente humana. De hecho, en el núcleo de nuestra práctica, tenemos lo que llamamos Supply Chain Scientists que son ingenieros que codifican las recetas numéricas. Eso es algo muy humano que aún no estamos delegando a las máquinas.
Aunque los algoritmos pueden ayudar a codificar más rápido con el autocompletado y demás, la verdadera pregunta es cuando tienes inteligencias humanas, ¿se les asigna una tarea que realmente agrega valor desde el hecho de que son inteligencia general en lugar de ser como buscadores de patrones o algo que se pueda mecanizar?
Mi argumento en contra sería que muchas empresas, especialmente aquellas que operan cadenas de suministro, no están aprovechando muy bien a los empleados de cuello blanco que tienen. Todavía están bastante en la mentalidad de tener multitudes de empleados de oficina corporativos que están pasando por un proceso, y el cumplimiento del proceso es su objetivo.
Veo a muchas de esas empresas que operan cadenas de suministro tratando a la mayoría de sus empleados de cuello blanco exactamente como tratan a sus empleados de cuello azul. Hay un proceso, y la adhesión al proceso se define como excelencia.
Para los empleados de cuello azul, eso está claro, eso es lo que quieres. Pero si entramos en el territorio de los empleados de cuello blanco, eso se vuelve muy extraño porque la información es órdenes de magnitud más fácil de mecanizar que el mundo real.
Tratar con cosas físicas, por ejemplo, si quieres tener un robot que pueda soldar en todas las situaciones, eso es extremadamente difícil. Simplemente mover una mano, sostener una herramienta, soportar algo pesado y estar en un entorno con polvo o contaminantes, estamos hablando de robótica extremadamente avanzada solo para poder hacer algo que alguien podría hacer con unos pocos meses de entrenamiento.
Ahora, si entramos en este mundo de la información, ya sabes, en papel, las restricciones no son tan exigentes. Podemos mover gigabytes de datos sin problema. Las personas que realizan esos trabajos de cuello blanco ya están trabajando con sistemas informáticos. Toda la información que reciben es a través de una computadora, y toda la información que producen ya está ingresada en una computadora. Así que tenemos un marco que ya es completamente digital.
Lo que estoy diciendo es que las empresas están utilizando a la mayoría de sus trabajadores de cuello blanco como coprocesadores. Tienen lo que el procesador de la computadora puede hacer con el software que tenemos, y luego simplemente tenemos a alguien en el medio para llenar los vacíos. Pero ¿realmente estamos utilizando la inteligencia de esas personas? Mi argumento es que no. Si hay una cuestión de importancia estratégica, es asegurarse de que todos los trabajadores de cuello blanco estén contribuyendo a cosas donde solo la inteligencia general puede aportar. Si es algo donde no se necesita inteligencia general, entonces debería ser mecanizado.
Ian Wright: Estoy de acuerdo. Tu enfoque en el enfoque mecanicista es lo que define qué es la automatización y para qué necesitas al humano. El momento en el que el humano realmente aporta valor, y como dices, Joannes, esto probablemente no está implementado correctamente, es en las áreas intuitivas donde no puedes proporcionar información de forma mecanicista. Por ejemplo, considerando que un avión será obsoleto en 10 años, ¿por qué haríamos esto? Eso es algo que no se puede construir de forma mecanicista.
Donde necesitas al humano es donde necesitan proporcionar un tipo de entrada orgánica a un problema o una situación, ya sea gestión de eventos o gestión operativa de la cadena de suministro. Puedes tener mecanismos de diagnóstico relativamente fácilmente. Un área que todavía está lista para trabajar es en la implementación de bucles de retroalimentación que ayuden a generar soluciones proactivas dentro de un contexto mecanicista. Esto incluye la acumulación de información de una variedad más amplia de orígenes de datos en esa gestión operativa mecanicista proactiva. Pero no puedes superar el lado intuitivo de las cosas. Hay un aspecto emergente en lo que un humano aporta a un contexto donde intentan analizar un problema o, lo que es más importante, anticipar un problema.
Joannes Vermorel: Estoy muy de acuerdo. Aquí, culparía a la perspectiva de series temporales. La práctica principal de las cadenas de suministro hoy en día se centra en las series temporales. Pero si miras a las empresas que son muy buenas en lo que hacen, son muy buenas en hacer algo inteligente con la retroalimentación que reciben, como Amazon. Amazon está utilizando de manera muy inteligente la retroalimentación de sus clientes para resolver la mayoría de sus problemas de cadena de suministro y logística sistemáticamente.
Si un repartidor es rutinariamente señalado por perder paquetes, Amazon dejará de usar a este proveedor y cambiará a otro. Si un proveedor causa problemas, lo eliminarán. Hacen un uso razonable de los datos de retroalimentación que recopilan. Necesitan humanos para imaginar qué tipo de retroalimentación pueden recopilar e ingenieros para diseñar las recetas numéricas que decidan cuándo eliminar a un proveedor o notificar a un proveedor logístico.
Probablemente realicen una optimización inteligente, como darse cuenta de que un transportista es confiable bajo ciertas condiciones pero no bajo otras, y utilizar este transportista solo en esas configuraciones. Esto requiere una visión sobre qué datos son relevantes, no solo series temporales sobre la demanda. Requiere una mentalidad de ingeniería para proporcionar soluciones profundas a los problemas, no solo combatir emergencias. La mayoría de las empresas van de una emergencia a otra, consumiendo todo su ancho de banda y evitando mejoras. Amazon, por otro lado, diseña soluciones profundas para cualquier situación que encuentran, eliminando clases de problemas y avanzando hacia el siguiente.
Ian Wright: Desafortunadamente, eso vuelve a las finanzas. Si tienes los bolsillos profundos para tener el tipo de proceso de pensamiento al que te estás refiriendo, eso es una cosa. Pero la mayoría de los gerentes de cadena de suministro no trabajan en un entorno donde tengan mucho efectivo para abordar problemas de esa manera. Están jugando a ponerse al día, apagando incendios y en un círculo vicioso.
Si tienes la oportunidad como profesional de trabajar en un proyecto estratégico, no pongas el modelo primero. Comprende el mundo del gerente de la cadena de suministro tal como existe hoy, luego piensa como si fueras Amazon y averigua cómo podría funcionar ese mundo del gerente de la cadena de suministro para que no estén jugando a ponerse al día. Desafortunadamente, la mayoría de los gerentes de cadena de suministro persiguen proyectos estratégicos de la misma manera que su trabajo diario, que es solo otro incendio que apagar. Las personas de ambos lados no lo abordan correctamente, pero podría abordarse de manera diferente al pensar de manera diferente sobre el rol.
Conor Doherty: Caballeros, soy consciente del tiempo, así que quiero volver a ti, Ian, y preguntarte sobre la optimalidad práctica. Como medio para guiarnos hacia una conclusión, ¿cuáles son los pasos prácticos que las personas pueden tomar en la búsqueda de la optimalidad?
Ian Wright: Nuevamente, lo estoy abordando desde el extremo estratégico, no siendo el tipo en el piso de la tienda tratando de poner el producto en manos del cliente. Lo que debes hacer al mirar la optimalidad es pensar en cómo se llevará a cabo realmente esa ejecución. Asegúrate de estar enfocado en llevar una solución factible y operable a la mesa, una que se ajuste a la forma en que la empresa opera hoy.
Si tienes la capacidad y la libertad, presenta una solución que logre la optimalidad en un contexto que pueda ejecutarse de manera óptima. Comprende los verdaderos objetivos de las partes interesadas, los verdaderos objetivos de los patrocinadores y los verdaderos objetivos de la empresa, no solo sus objetivos observados o expresados. En la medida en que estén dispuestos a escuchar, intenta producir una solución en esa línea. En todo momento, asegúrate de estar trabajando con humanos, no solo con el modelo.
Conor Doherty: Gracias. Joannes, ¿algo más que añadir a eso?
Joannes Vermorel: No, creo que es un buen punto. Desde la perspectiva de un proveedor de software, diría que cuando se trata de optimalidad, no confíes demasiado en los proveedores de software. Sí, obviamente, excepto nosotros. En particular, ten en cuenta que hay clases de software como sistemas de registros y sistemas de informes que no se ocupan de decisiones y, por lo tanto, no pueden lidiar con la optimización en absoluto.
Los sistemas de registros, como ERP, CRM, WMS, y los sistemas de informes, como inteligencia de negocios, a menudo se anuncian como que traen decisiones optimizadas. Por diseño, estas clases de software ni siquiera tocan el problema. No optimizan en primer lugar. Así que, mi mensaje sería, no intentes encontrar tu camino hacia la optimalidad en tu próxima actualización de ERP. Por definición, un ERP es un sistema de registros. No se ocupa de decisiones y le importa aún menos si esas decisiones pueden ser óptimas en alguna forma o manera.
Conor Doherty: Me aseguraré de publicar ese artículo realmente agradable—bueno, un artículo corto, como lo que quise decir allí. En él, hablas sobre sistemas de registro, sistemas de informes y sistemas de inteligencia. Pero aquí es costumbre dar la última palabra al invitado. Entonces, si hay algo más que quieras mencionar o algo que no hayamos dicho, puedes cerrar sin interrupciones.
Ian Wright: Sí, me gusta eso. Desde el punto de vista de un proveedor de software, no confíes en los proveedores de software. Realmente me gusta eso porque, durante más de 40 años, una de las cosas que ha estado en mi mente es la cantidad de exageración que he presenciado en torno a la tecnología. La exageración en toda la idea de una cadena de suministro, durante mucho tiempo, para mí, es un tipo de exageración. De hecho, he escrito sobre esto, Conor, lo cual no te sorprenderá. Pero creo que lo que tenemos que hacer es simplemente aprender a vivir en un mundo donde sepas cómo navegar a través de la exageración, cómo navegar a través de las dificultades, y entender qué es lo que realmente funciona. Esa es la clave—lo que es real.
Conor Doherty: Bueno, en ese sentido, diré que no tengo más preguntas. Joannes, gracias por tu tiempo. Ian, muchas gracias por unirte a nosotros.
Ian Wright: Gracias, chicos. Fue un privilegio que me invitaran, y realmente espero aprender más sobre Lokad y si estoy loco o no. Esa es la clave.
Joannes Vermorel: Sí, una de las claves. Te enviaremos un diagnóstico.
Conor Doherty: Gracias, y gracias por mirar. Nos vemos la próxima vez.
